17일 전

카테고리 앵커 기반 비지도 도메인 적응을 통한 세분할 분류

Qiming Zhang, Jing Zhang, Wei Liu, Dacheng Tao
카테고리 앵커 기반 비지도 도메인 적응을 통한 세분할 분류
초록

비감독 도메인 적응(UDA)은 특정 모델의 소스 도메인에서 타겟 도메인으로의 일반화 능력을 향상시키는 것을 목표로 한다. UDA는 타겟 도메인 샘플에 대한 추가적인 레이블링 작업이 필요하지 않기 때문에 특히 중요한 의미를 갖는다. 그러나 두 도메인 간의 데이터 분포 차이, 즉 \emph{도메인 전이/불일치}는 UDA 성능에 불가피하게 악영향을 미친다. 소스 도메인과 타겟 도메인 간의 주변 분포를 일치시키는 데 있어 상당한 진전이 있었지만, 카테고리 무관(feature alignment)의 특성으로 인해 분류기는 소스 도메인 특징에 치우치게 되어 타겟 도메인에 대해 잘못된 예측을 하게 된다. 본 논문에서는 세분화(segmentation)를 위한 새로운 카테고리 앵커 유도형(CAG) UDA 모델을 제안한다. 이 모델은 공유된 구분 능력을 갖춘 특징과 분류기를 동시에 학습하기 위해 카테고리 인식 특징 일치를 명시적으로 강제한다. 먼저, 소스 도메인 특징의 카테고리별 중심점(centroids)을 안내 앵커로 활용하여 타겟 도메인 내 활성 특징을 식별하고, 이를 통해 의사 레이블(pseudo-label)을 부여한다. 이후, 앵커 기반의 픽셀 수준 거리 손실과 구분 능력 손실을 이용해 내부 카테고리 특징은 가깝게, 외부 카테고리 특징은 멀리 있도록 유도한다. 마지막으로, 오류 누적을 줄이고 제안된 모델을 점진적으로 적응시키기 위해 단계적 학습 기제를 설계하였다. GTA5$\rightarrow$Cityscapes 및 SYNTHIA$\rightarrow$Cityscapes 시나리오에서의 실험 결과는 본 연구의 CAG-UDA 모델이 기존 최고 성능 기법들보다 우수함을 입증한다. 코드는 \url{https://github.com/RogerZhangzz/CAG_UDA}에서 공개되어 있다.